論文の概要: Optimal Economic Gas Turbine Dispatch with Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2308.14924v1
- Date: Mon, 28 Aug 2023 22:42:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 16:29:33.883182
- Title: Optimal Economic Gas Turbine Dispatch with Deep Reinforcement Learning
- Title（参考訳）: 深部強化学習による最適経済ガスタービンの分散
- Authors: Manuel Sage, Martin Staniszewski, Yaoyao Fiona Zhao
- Abstract要約: カナダアルバータ州のケーススタディにおいて,GTディスパッチ問題に対する3つの一般的なDRLアルゴリズムを実装した。
テストされたアルゴリズムとベースライン手法の中で、Deep Q-Networks (DQN) が最も高い報酬を得た。
本稿では,運用時間とサイクルに基づいて,GTの運用とメンテナンスのコストを動的に割り当てる手法を提案し,実装する。
- 参考スコア（独自算出の注目度）: 4.059196561157555
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dispatching strategies for gas turbines (GTs) are changing in modern
electricity grids. A growing incorporation of intermittent renewable energy
requires GTs to operate more but shorter cycles and more frequently on partial
loads. Deep reinforcement learning (DRL) has recently emerged as a tool that
can cope with this development and dispatch GTs economically. The key
advantages of DRL are a model-free optimization and the ability to handle
uncertainties, such as those introduced by varying loads or renewable energy
production. In this study, three popular DRL algorithms are implemented for an
economic GT dispatch problem on a case study in Alberta, Canada. We highlight
the benefits of DRL by incorporating an existing thermodynamic software
provided by Siemens Energy into the environment model and by simulating
uncertainty via varying electricity prices, loads, and ambient conditions.
Among the tested algorithms and baseline methods, Deep Q-Networks (DQN)
obtained the highest rewards while Proximal Policy Optimization (PPO) was the
most sample efficient. We further propose and implement a method to assign GT
operation and maintenance cost dynamically based on operating hours and cycles.
Compared to existing methods, our approach better approximates the true cost of
modern GT dispatch and hence leads to more realistic policies.
- Abstract（参考訳）: 現代の電力網ではガスタービン(GT)の分散戦略が変化している。
間欠的な再生エネルギーの集積が増加すると、GTはより短いサイクルで、より頻繁に部分的な負荷で作動する必要がある。
深層強化学習(DRL)はこの開発に対処し、経済的にGTを派遣するツールとして最近登場した。
DRLの主な利点は、モデルのない最適化と、様々な負荷や再生可能エネルギー生産によって導入された不確実性を扱う能力である。
本研究では,カナダアルバータ州のケーススタディにおいて,GTディスパッチ問題に対する3つの一般的なDRLアルゴリズムを実装した。
我々は,環境モデルにシーメンス・エナジーが提供する既存の熱力学ソフトウェアを組み込んで,電力価格,負荷,環境条件の異なる不確かさをシミュレートすることで,drlの利点を浮き彫りにする。
テストされたアルゴリズムとベースライン手法のうち、Deep Q-Networks (DQN) は最も高い報酬を得ており、PPO (Proximal Policy Optimization) は最も効率的なサンプルであった。
さらに,運用時間とサイクルに基づいて,GT運用とメンテナンスコストを動的に割り当てる手法を提案し,実装する。
既存の手法と比較して、我々の手法は現代のGTディスパッチの真のコストを近似し、より現実的なポリシーをもたらす。
関連論文リスト
- An Online Hierarchical Energy Management System for Energy Communities,
Complying with the Current Technical Legislation Framework [4.4269011841945085]
2018年、欧州連合(EU)は、再生可能エネルギー共同体(REC)を、参加者が自己生産した再生可能エネルギーを共有する地域電力網として定義した。
RECは技術的にはSGであるため、上記の戦略を適用でき、具体的には実用的なエネルギー管理システム(EMS)が必要である。
本研究は,RECコスト最小化のためにオンライン階層型EMS(HEMS)を合成し,ローカルな自己消費方式よりも優れていることを評価する。
論文 参考訳（メタデータ） (2024-01-22T15:29:54Z) - Hybrid Reinforcement Learning for Optimizing Pump Sustainability in
Real-World Water Distribution Networks [55.591662978280894]
本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。
我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。
進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
論文 参考訳（メタデータ） (2023-10-13T21:26:16Z) - Optimal Planning of Hybrid Energy Storage Systems using Curtailed
Renewable Energy through Deep Reinforcement Learning [0.0]
エネルギー貯蔵システム(ESS)を計画するためのポリシーに基づくアルゴリズムを用いた高度な深層強化学習手法を提案する。
定量的性能比較の結果、DRLエージェントはシナリオベース最適化(SO)アルゴリズムよりも優れていた。
その結果、DRLエージェントは人間の専門家が行うように学習し、提案手法の信頼性が示唆された。
論文 参考訳（メタデータ） (2022-12-12T02:24:50Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳（メタデータ） (2022-11-29T01:18:58Z) - Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。
我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
論文 参考訳（メタデータ） (2022-08-12T17:13:25Z) - Safe Model-based Off-policy Reinforcement Learning for Eco-Driving in
Connected and Automated Hybrid Electric Vehicles [3.5259944260228977]
本研究は,エコドライブ問題に対するセーフオフポジーモデルに基づく強化学習アルゴリズムを提案する。
提案アルゴリズムは, モデルフリーエージェントと比較して, 平均速度が高く, 燃費も良好である。
論文 参考訳（メタデータ） (2021-05-25T03:41:29Z) - Development of a Soft Actor Critic Deep Reinforcement Learning Approach
for Harnessing Energy Flexibility in a Large Office Building [0.0]
本研究は,Soft Actor Critic'(SAC)に基づくDeep Reinforcement Learning(DRL)の新規適用と研究に関するものである。
SACは、連続的なアクションスペースを処理できるモデルフリーのDRL技術です。
論文 参考訳（メタデータ） (2021-04-25T10:33:35Z) - A Multi-Agent Deep Reinforcement Learning Approach for a Distributed
Energy Marketplace in Smart Grids [58.666456917115056]
本稿では,マイクログリッドを支配下に置くために,強化学習に基づくエネルギー市場を提案する。
提案する市場モデルにより,リアルタイムかつ需要に依存した動的価格設定環境が実現され,グリッドコストが低減され,消費者の経済的利益が向上する。
論文 参考訳（メタデータ） (2020-09-23T02:17:51Z) - Transfer Deep Reinforcement Learning-enabled Energy Management Strategy
for Hybrid Tracked Vehicle [8.327437591702163]
本稿では、深部強化学習(DRL)と伝達学習(TL)を組み合わせたハイブリッド電気自動車の適応エネルギー管理戦略を提案する。
退屈なトレーニング時間でDRLの欠陥に対処することを目的としている。
DRLおよびTL対応制御ポリシは、エネルギー効率を向上し、システム性能を向上させることができる。
論文 参考訳（メタデータ） (2020-07-16T23:39:34Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳（メタデータ） (2020-01-22T00:51:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。